用于脑肿瘤生存预测的可解释机器学习分类器
机器学习
2021-06-18 v1 人工智能
摘要
由于肿瘤行为和对治疗反应的异质性，预测脑肿瘤患者的生存具有挑战性。更好的预后评估将有助于治疗规划和患者支持。机器学习的进展推动了临床预测模型的发展，但其融入临床实践几乎不存在。原因之一在于模型缺乏可解释性。在本文中，我们使用一个新颖的脑肿瘤数据集，将两种可解释规则列表模型与流行的脑肿瘤生存预测机器学习方法进行比较。所有模型均使用标准性能指标进行定量评估。规则列表还对其可解释性和临床效用进行了定性评估。黑盒机器学习模型的可解释性使用两种事后解释技术 LIME 和 SHAP 进行评估。我们的结果表明，规则列表仅略逊于黑盒模型。我们证明规则列表算法生成的简单决策列表与临床专业知识一致。相比之下，应用于黑盒模型的事后可解释性方法可能对局部模型预测产生不可靠的解释。模型可解释性对于理解预测性能差异以及融入临床实践至关重要。
引用
@article{arxiv.2106.09424,
title = {Interpretable Machine Learning Classifiers for Brain Tumour Survival Prediction},
author = {Colleen E. Charlton and Michael Tin Chung Poon and Paul M. Brennan and Jacques D. Fleuriot},
journal= {arXiv preprint arXiv:2106.09424},
year = {2021}
}